Analisi Benessere economico

Analizziamo il trend del PIL pro capite e della sua crescita % annua. Alla variabile GDP per capita, ossia il PIL pro capite, è stata applicata una trasformata logaritmica.

GDP=JobsData1%>%group_by(country_code)%>%filter(indicator_code=="NY.GDP.PCAP.KD")
GDP=na.omit(GDP)
GDP$year=as.numeric(GDP$year)
GDP$values=log(GDP$values)

a=ggplot(GDP, aes(year,values, group=country_name))+
  geom_line()+
  labs (
    title="Variazione del log PIL pro capite negli anni",
    subtitle="constant 2005 US$")+
 theme(
   axis.text.x = element_text(angle=45))
 
ggplotly(a)

Dal grafico dell’andamento del PIL pro capite per i vari Paesi negli anni, si evince un trend leggermente positivo per alcuni Paesi, per altri, invece, il trend è pressochè nullo. Passiamo ora ad analizzare il tasso di crescita percentuale di questa grandezza.

GDP_grow=JobsData1%>%group_by(country_code)%>%filter(indicator_code=="NY.GDP.MKTP.KD.ZG")
GDP_grow=na.omit(GDP_grow)


a=ggplot(GDP_grow, aes(year,values, group=country_name))+
  geom_line()+
  labs (
    title="Variazione del tasso di crescita del PIL pro capite negli anni")+
  theme(
   axis.text.x = element_text(angle=45))

ggplotly(a)

Appare chiaro che non tutti i Paesi presentano lo stesso tasso di crescita del PIL pro capite. Per comprendere meglio quali siano i Paesi con un tasso di crescita e un valore del PIL pro capite maggiore, procediamo con l’analisi.

best_GDP= GDP %>%
     group_by(year) %>%
     filter(row_number(desc(values))<=3)

ggplot(best_GDP,aes(year,values))+
  geom_point(aes(color=country_name))+
  labs(
    title="Paesi con PIL pro capite maggiore-per Paese")+
  theme(
    axis.text.x = element_text(angle=45))

b=ggplot(best_GDP,aes(year,values,group=country_name))+
  geom_point(aes(color=continent))+
  labs(
    title="Paesi con PIL pro capite maggiore- per continente")+
  theme(
    axis.text.x = element_text(angle=45))

ggplotly(b)

Si nota che i Paesi che hanno un tasso di crescita maggiore non sono quelli che raggiungono i valori più alti di PIL pro capite.

best_GDP_grow= GDP_grow %>%
     group_by(year) %>%
     filter(row_number(desc(values))<=3)

a=ggplot(best_GDP_grow,aes(year,values,group=country_name))+
  geom_point(aes(color=continent))+
  labs(
    title="Paesi maggiore  crescita del PIL pro capite")+
  theme(
    axis.text.x = element_text(angle=45))


ggplotly(a)

Infatti, i Paesi con un tasso di crescita maggiore del PIL pro capite sono principalmente in Asia e in Africa, mentre i Paesi con un livello maggiore di tale sono europei. Passiamo ora ad analizzare brevemente altri indicatori economici.

gini=JobsData1%>%group_by(country_code)%>%filter(indicator_code=="SI.POV.GINI")
gini=na.omit(gini)

best_gini= gini %>%
     group_by(year) %>%
     filter(values<20)

ggplot(gini,aes(year,values,group=country_name))+
  geom_point(aes(color=continent))+
  labs(
    title="Indice di GINI",
    subtile="classifica per continente")+
  theme(
    axis.text.x = element_text(angle=45))+
  ggrepel::geom_label_repel(aes(label = country_name), data = best_gini)

L’indice di GINI misura la disuguaglianza di una distribuzione e in questo caso misura quanto il reddito si distribuisce in modo diseguale all’interno di un Paese. Valori prossimi a 0 di tale indice indicano distribuzioni perfettamente eque, valori prossimi a 100, invece, indicano distribuzioni totalmente ineguali. Dal grafico si evince che, soprattutto dalla fine del secolo scorso, le distribuzioni più eque del reddito sono proprie dei Paesi europei, ad eccezione dell’ Azerbaijan, che raggiunge i valori minimi registrati nei primi anni del XXI secolo. I valori maggiori di questo indicatore sono stati raggiunti dai Paesi africani.

disoccupazione=JobsData1%>%group_by(country_code)%>%filter(indicator_code=="SL.UEM.ADVN.ZS"|indicator_code=="SL.UEM.INTM.ZS"|indicator_code=="SL.UEM.SECO.ZS"|indicator_code=="SL.UEM.TOTL.ZS"|indicator_code=="SL.UEM.1524.ZS")
disoccupazione=na.omit(disoccupazione)


disoccupazione_tot=disoccupazione %>%
     group_by(year) %>%
     filter(indicator_code=="SL.UEM.TOTL.ZS"  )


b=ggplot(disoccupazione_tot,aes(year,values,group=country_name))+
  geom_point(aes(color=continent))+
  labs(
    title="Livello di disoccupazione totale",
    subtile="classifica per continente")+
  theme(
    axis.text.x = element_text(angle=45)
  )

ggplotly(b)

Per quanto riguarda la disoccupazione, notiamo che i Paesi con valori maggiori al 20% sono africani e europei. Cerchiamo di capire di quali Paesi stiamo parlando:

bad_disoccupazione_tot=disoccupazione_tot%>%group_by(year)%>%filter(values>=25)

c=ggplot(bad_disoccupazione_tot,aes(year,values,group=country_name))+
  geom_point(aes(color=country_name, shape=continent))+
  labs(title="Paesi con più alta disoccupazione")+
  theme(
    axis.text.x = element_text(angle=45)
  )

ggplotly(c)

Il Lesotho è il Paese che riporta negli anni un livello di disoccupazione maggiore. A seguire si posiziona il Monenegro, la Bosnia e altri Paesi europei e africani. Si potrebbe analizzare la disoccupazione più nel dettaglio considerando indicatori di disoccupazione più specifici, quali il tasso di disoccupazione per settore, tasso di disoccupazione per titolo di studio, tasso di disoccupazione per fascia di età.

Analisi sulla salute

Un buon indicatore per analizzare il livello di salute di una popolazione è l’aspettativa di vita alla nascita.

aspettativa_vita=JobsData1%>%group_by(country_code)%>%filter(indicator_code=="SP.DYN.LE00.FE.IN"|indicator_code=="SP.DYN.LE00.MA.IN")
aspettativa_vita=na.omit(aspettativa_vita)

aspettativa_m=aspettativa_vita%>%group_by(country_code)%>%filter(indicator_code=="SP.DYN.LE00.MA.IN")
aspettativa_f=aspettativa_vita%>%group_by(country_code)%>%filter(indicator_code=="SP.DYN.LE00.FE.IN")

a=ggplot(aspettativa_f,aes(year,values,group=country_name,color=continent))+
  geom_line()+
  labs(
    title="Aspettativa di vita per le donne")+
  theme(
    axis.text.x = element_text(angle=45))

b=ggplot(aspettativa_m,aes(year,values,group=country_name,color=continent))+
  geom_line()+
  labs(
    title="Aspettativa di vita per gli uomini")+
  theme(
    axis.text.x = element_text(angle=45))
ggplotly(a)

ggplotly(b)

Appare chiara dai grafici la netta differenza tra aspettative di vita in Africa e negli altri continenti. Il trend è generalmente positivo, ad eccezione di alcuni Paesi africani come il Ruanda.

fertility_rate=JobsData1%>%group_by(country_code)%>%filter(indicator_code=="SP.DYN.TFRT.IN")
fertility_rate=na.omit(fertility_rate)

a=ggplot(fertility_rate,aes(year,values,group=country_name,color=continent))+
  geom_line()+
  labs(
    title="tasso di fertilità")+
  theme(
    axis.text.x = element_text(angle=45))
ggplotly(a) 

Nei Paesi europei, il tasso di fertilità sembra essere costante nel tempo, con valori comunque più bassi rispetto a quelli degli altri continenti, soprattutto quelli africani. Il trend per gli altri continenti è leggermente negativo.

Analisi livello di istruzione

Consideriamo la percentuale di spese governative per l’educazione sul totale delle spese.

ggplot(exp_ed,aes(year,values,group=country_name,color=continent))+
  geom_line()+
  labs(
    title="spese governative per educazione")+
  theme(
    axis.text.x = element_text(angle=45))

#cerchiamo di fare chiarezza:
best_education=exp_ed%>%
     group_by(year) %>%
     filter(row_number(desc(values))==1)

a=ggplot(best_education,aes(year,values,group=country_name))+
  geom_point(aes(color=continent))+
  labs(
    title="Paesi che spendono di più in educazione",
    subtile="classifica per Paese")+
  theme(
    axis.text.x = element_text(angle=45))

ggplotly(a)

Per ogni anno sono stati selezionati i Paesi che hanno sostenuto una percentuale di spese governative per l’educazione maggiore. Non si evince una netta prevalenza di un continente rispetto agli altri. Può stupire vedere molti Paesi africani in cima alla classifica per la maggior percentuale di spese governative sostenute per l’educazione, ma per un’analisi più approfondita andrebbero considerati tutti i fattori di spesa e la situazione infrastrutturale, industriale ed economica dei Paesi.

Andiamo ad analizzare il tasso di alfabetizzazione.

alfa_rate=JobsData1%>%group_by(country_code)%>%filter(indicator_code=="SE.ADT.LITR.ZS")
alfa_rate=na.omit(alfa_rate)

a=ggplot(alfa_rate,aes(year,values,group=country_name,color=continent))+
  geom_point()+
  labs(
    title="Tasso di alfabetizzazione")+
  theme(
    axis.text.x = element_text(angle=45))
ggplotly(a)

Come ci si poteva aspettare, i Paesi con un tasso peggiore di alfabetizzazione si trovano in Africa. Inoltre, per molti Stati i dati sono mancanti per periodi antecedenti il 2000.

Analisi infrastrutturale e ambientale

Iniziamo andando a vedere la percentuale di persone che vivono in zone urbane o in zone rurali.

urba=JobsData1%>%group_by(country_code)%>%filter(indicator_code=="SP.URB.TOTL.IN.ZS")
urba=na.omit(urba)

a=ggplot(urba,aes(year,values,group=country_name,color=continent))+
  geom_line()+
  labs(
    title="Popolazione urbana")+
  theme(
    axis.text.x = element_text(angle=45))
ggplotly(a)

Siccome non è chiara la distribuzione di questo indicatore per continente, per agevolare l’analisi, si considerino i Paesi con un livello maggiore di urbanizzazione e quelli con il livello minore.

urba1=urba%>%group_by(year)%>%filter(row_number(values)<5)
urba2=urba%>%group_by(year)%>%filter(row_number(desc(values))<5)

ggplot(urba1,aes(year,values))+
  geom_point(aes(color=country_name))+
  labs(
    title="Paesi con minor urbanizzazione",
    subtile="classifica per Paese")+
  theme(
    axis.text.x = element_text(angle=45))

ggplot(urba2,aes(year,values))+
  geom_point(aes(color=country_name))+
  labs(
    title="Paesi con maggior urbanizzazione",
    subtile="classifica per Paese")+
  theme(
    axis.text.x = element_text(angle=45))

Consideriamo indicatori che possano misurare il livello di sviluppo tecnologico della popolazione, come utilizzo di internet a livello personale e utilizzo di smartphone.

internet=JobsData1%>%group_by(country_code)%>%filter(indicator_code=="IT.NET.USER.ZS")
uso_cell=JobsData1%>%group_by(country_code)%>%filter(indicator_code=="IT.CEL.SETS.P2")


internet=na.omit(internet)
uso_cell=na.omit(uso_cell)

a=ggplot(internet,aes(year,values,group=country_name,color=continent))+
  geom_line()+
  labs(
    title="Utilizzo di internet",
    subtitle="percentuale sulla popolazione")+
  theme(
    axis.text.x = element_text(angle=45))
ggplotly(a)

È evidente come la crescita di utilizzo di internet abbia un andamento esponenziale per la maggior parte dei Paesi. Una crescita più lenta è stata registrata in Africa.

a=ggplot(uso_cell,aes(year,values,group=country_name,color=continent))+
  geom_line()+
  labs(
    title="Utilizzo di smartphone")+
  theme(
    axis.text.x = element_text(angle=45))
ggplotly(a)

Per quanto riguarda l’utilizzo di smartphone si possono fare considerazioni simili a quelle fatte per l’utilizzo di internet.

Andiamo a indagare nel settore della Ricerca&Sviluppo considerando il numero di ricercatori per 100 persone.

num_ricercatori=JobsData1%>%group_by(country_code)%>%filter(indicator_code=="SP.POP.SCIE.RD.P6")
num_ricercatori=na.omit(num_ricercatori)

a=ggplot(num_ricercatori,aes(year,values,group=country_name,color=continent))+
  geom_line()+
  labs(
    title="Numero di ricercatori")+
  theme(
    axis.text.x = element_text(angle=45))
ggplotly(a)

Paesi europei, nord-americani, oceaniani e alcuni Paesi asiatici si posizionano ai primi posti. Vediamo quali sono:

best_ricerca= num_ricercatori %>%
     group_by(year) %>%
     filter(values>7500)

ggplot(num_ricercatori,aes(year,values))+
  geom_point(aes(color=continent))+
  labs(
    title="Numero di ricercatori")+
  theme(
    axis.text.x = element_text(angle=45))+
  ggrepel::geom_label_repel(aes(label = country_name), data = best_ricerca)

Analisi HDI

Abbiamo considerato aspetti economici, sanitari, di istruzione e di sviluppo scientifico-tecnologico. Consideriamo adesso un indicatore che ha lo scopo di misurare il livello di sviluppo umano di un Paese, l’indice HDI. Esso viene calcolato considerando il PIL pro capite, l’aspettativa di vita alla nascita e il livello di istruzione. Vediamo il suo andamento nel tempo.

HDI1=na.omit(HDI1)
a=ggplot(HDI1,aes(year,values,group=country_name,color=continent))+
  geom_line()+
  labs(
    title="HDI nel tempo")+
  theme(
    axis.text.x = element_text(angle=45))
ggplotly(a)

Si nota un trend positivo di tale indicatore negli anni: ancora una volta i Paesi africani presentano valori molto bassi. In corrispondenza di valori piuttosto alti, invece, troviamo Paesi europei, asiatici e oceanici.

best_and_worst_HDI=HDI1%>%group_by(year)%>%filter(row_number(values)==1|row_number(desc(values))==1)

ggplot(HDI1,aes(year,values))+
  geom_point(aes(color=continent))+
  labs(
    title="HDI")+
  theme(
    axis.text.x = element_text(angle=45),
   axis.text.y = element_text(angle=45))+
  ggrepel::geom_label_repel(aes(label = country_name), data = best_and_worst_HDI)

Norvegia e Australia sono i due Paesi con un HDI più alto, Nigeria, Mozambico e Ruanda, invece, presentano i più bassi livelli di questo indicatore.